Statistical Methods for Dynamic Treatment Regimes: Reinforcement Learning, Causal Inference, and Personalized Medicine

روش‌های آماری برای رژیم‌های درمانی پویا از هنر روش‌های آماری توسعه‌یافته برای پاسخگویی به سؤالات تخمین و استنتاج برای رژیم‌های درمانی پویا، شاخه‌ای از پزشکی شخصی‌سازی شده، استفاده می‌کند. این جلد این روش‌ها را با زیربنای مفهومی و تصویرسازی از طریق تجزیه و تحلیل داده‌های واقعی و شبیه‌سازی شده نشان می‌دهد. این روش‌ها فوراً در عمل پزشکی شخصی‌سازی شده، که یک الگوی پزشکی است که بر استفاده سیستماتیک از اطلاعات فردی بیمار برای بهینه‌سازی مراقبت‌های بهداشتی بیمار تأکید می‌کند، قابل اجرا هستند. این اولین منبع واحدی است که یک مرور کلی از روش‌شناسی و نتایج گردآوری‌شده از مجلات، مقالات و گزارش‌های فنی با هدف جهت‌دادن محققان به این حوزه ارائه می‌کند. فصل اول زمینه را برای خواننده آماری در چشم انداز پزشکی شخصی ایجاد می کند. خوانندگان برای استفاده از این متن فقط باید با حساب ابتدایی، جبر خطی و نظریه پایه نمونه بزرگ آشنا باشند. در سراسر متن، نویسندگان خوانندگان را به کد یا بسته های موجود به زبان های آماری مختلف هدایت می کنند تا پیاده سازی را تسهیل کنند. در مواردی که کد از قبل وجود نداشته باشد، نویسندگان رویکردهای تحلیلی را با جزئیات کافی ارائه می‌کنند تا هر محققی با دانش برنامه‌نویسی آماری بتواند روش‌ها را از ابتدا پیاده‌سازی کند. این یک حجم مهم برای طیف وسیعی از محققان، از جمله آماردانان، اپیدمیولوژیست ها، محققان پزشکی، و محققان یادگیری ماشینی علاقه مند به کاربردهای پزشکی خواهد بود. دانشجویان تحصیلات تکمیلی پیشرفته در آمار و آمار زیستی نیز مطالبی را در روش‌های آماری برای رژیم‌های درمانی پویا می‌یابند تا بخش مهمی از مطالعات آنها باشد.

Statistical Methods for Dynamic Treatment Regimes shares state of the art of statistical methods developed to address questions of estimation and inference for dynamic treatment regimes, a branch of personalized medicine. This volume demonstrates these methods with their conceptual underpinnings and illustration through analysis of real and simulated data. These methods are immediately applicable to the practice of personalized medicine, which is a medical paradigm that emphasizes the systematic use of individual patient information to optimize patient health care. This is the first single source to provide an overview of methodology and results gathered from journals, proceedings, and technical reports with the goal of orienting researchers to the field. The first chapter establishes context for the statistical reader in the landscape of personalized medicine. Readers need only have familiarity with elementary calculus, linear algebra, and basic large-sample theory to use this text. Throughout the text, authors direct readers to available code or packages in different statistical languages to facilitate implementation. In cases where code does not already exist, the authors provide analytic approaches in sufficient detail that any researcher with knowledge of statistical programming could implement the methods from scratch. This will be an important volume for a wide range of researchers, including statisticians, epidemiologists, medical researchers, and machine learning researchers interested in medical applications. Advanced graduate students in statistics and biostatistics will also find material in Statistical Methods for Dynamic Treatment Regimes to be a critical part of their studies.